NVIDIA publica un modelo abierto para agentes que ven: texto, imágenes, documentos y vídeo en una sola pieza. La promesa de rendimiento es alta, y como siempre, viene de casa.
Qué es Nemotron 3.5 Super VL y a quién apunta
NVIDIA presentó el 15 de octubre Nemotron 3.5 Super VL, un modelo abierto con arquitectura de mezcla de expertos y capacidades multimodales. En números: 120.000 millones de parámetros totales y unos 12.000 millones activos por cada palabra procesada, con un millón de tokens de contexto.
El objetivo declarado no son los chatbots de consumo. NVIDIA apunta a agentes especializados que trabajan sin descanso dentro de una empresa: leer un documento, consultar datos en varias fuentes, seguir la política interna de una compañía y llamar a distintas herramientas en una misma tarea. Ese perfil cambia la conversación sobre modelos abiertos. No se trata de un asistente generalista, sino de una pieza que una empresa puede ajustar con sus propios datos.
La compañía lo describe como un modelo que combina razonamiento, seguimiento de instrucciones y uso de herramientas con comprensión de texto, imagen, documento y vídeo. La idea de fondo es evitar encadenar un modelo de texto con otro de visión y pasar el contexto de uno a otro.
Qué significa «multimodal» en la práctica
Conviene bajar el término a tierra. Un modelo multimodal entiende distintos tipos de entrada, no solo palabras. Aquí eso se traduce en tareas concretas que NVIDIA enumera: revisar código y detectar errores, buscar información en varios sitios y cruzar respuestas, extraer datos de tablas y gráficos dentro de un informe, analizar vídeo para encontrar un momento concreto.
Para un equipo que ya monta agentes, la diferencia es de arquitectura. Si un mismo modelo lee la factura en PDF, mira la foto del producto y redacta el resumen, se eliminan los pasos intermedios donde antes se perdía información al cambiar de sistema. NVIDIA insiste en que el modelo se puede ajustar después con datos, herramientas y flujos propios usando su plataforma NeMo.
Una sola DGX Spark y cinco veces más rendimiento
Dos cifras concentran el argumento comercial. La primera es de despliegue: los pesos en NVFP4, un formato compacto de cuatro bits, caben y funcionan en una sola unidad DGX Spark, el ordenador compacto de NVIDIA para trabajo de IA. Ejecutar un modelo de este tamaño en un solo equipo, y no en un clúster, es lo que la compañía vende como punto de entrada.
La segunda es de velocidad. NVIDIA afirma que Nemotron 3.5 Super VL alcanza hasta cinco veces más rendimiento que modelos comparables de su categoría en tareas de agente, medida sobre el índice de Artificial Analysis Intelligence Index. Los puntos de comparación que la compañía cita son Ling 3.0 Flash, de InclusionAI, y DeepSeek.
El matiz importa. Los cinco veces son una cifra propia, medida en un endpoint concreto y sobre tareas seleccionadas. NVIDIA también habla de «precisión líder» en tareas de agente multimodal, que es otra afirmación sin verificación externa publicada. Todo eso se lee como lo que es. La versión de la compañía, a la espera de evaluaciones independientes que lo confirmen o lo maticen.
Los dos Bolt y la estrategia de modelos encadenados
Junto al Super VL, NVIDIA lanzó dos modelos Bolt, pequeños y pensados para el borde, es decir, para correr en dispositivos en lugar de en servidores. En la práctica, la compañía no vende un modelo único, sino un reparto de tareas: los modelos pequeños y ligeros se encargan del volumen alto de texto, mientras que Super VL asume el trabajo de varios pasos que necesita razonamiento y visión a la vez.
La estrategia tiene sentido para quien monta un sistema en producción. Sale más barato resolver el 80 % de las peticiones con un modelo pequeño y reservar el grande para lo que de verdad lo necesita. NVIDIA lo enmarca dentro de Nemotron Coalition, una alianza con otras empresas que la compañía presentó como forma de acelerar el desarrollo de modelos abiertos.
Licencia, hardware y qué revisar
El modelo es abierto, pero conviene mirar la letra pequeña. Al igual que otros pesos abiertos de los grandes fabricantes, la licencia impone condiciones de uso comercial que hay que leer antes de integrar el modelo en un producto. Y hay un incentivo evidente en el diseño: está optimizado para el hardware de NVIDIA, así que el ahorro de rendimiento que promete la compañía tiene más probabilidades de materializarse si ya trabajas dentro de su ecosistema.
La seguridad es otra casilla a la espera. NVIDIA no ha detallado qué pruebas hizo para evitar que el modelo ejecute acciones peligrosas cuando se le da acceso a herramientas reales, algo crítico en agentes que llaman a sistemas y tocan datos de una empresa.
Qué mirar a partir de ahora
Los pesos y los dos Bolt ya están disponibles, y el despliegue en una sola DGX Spark es la parte que más fácil resulta comprobar por cuenta propia. ¿Aguantan las cinco veces de rendimiento una prueba neutral? Y sobre todo, ¿cómo se comporta el modelo en agentes reales donde un error de varios pasos sí tiene consecuencias?
